• Históricamente, la causalidad inversa y el sesgo causado por variables omitidas han sido problemáticos para muchas investigaciones de las ciencias sociales que buscan hacer afirmaciones causales.

• Recientemente, el enfoque contrafactual ha sido adoptado en las ciencias sociales como marco para la inferencia causal.

• Esto representa un gran cambio en la investigación:

  • Ser más precisos sobre lo que entendemos por efectos causales.
  • Uso de aleatorización o de diseños pseudo-aleatorios
  • Más colaboraciones entre investigadores y profesionales.

• Un amigo suyo dice que tomar equinácea (un remedio tradicional) reduce la duración de los resfriados.

• Si adoptamos un enfoque contrafactual, ¿qué nos dice implícitamente esta afirmación sobre el contrafactual? ¿Qué otros contrafactuales podrían ser posibles y por qué?

• El contrafactual implícito es: “Si yo no hubiera tomado equinácea, mi resfriado habría durado más tiempo”.

• ¡Pero este no es el único contrafactual posible!

  • Por ejemplo, podría ser: “Si yo no hubiera tomado equinácea, mi resfriado habría durado lo mismo”. (“variabilidad natural”, “placebo” o “nulo”)
  • “Si yo no hubiera tomado equinácea, mi resfriado habría durado menos tiempo”. (“efecto negativo de la equinácea”)

• El ATE para un subgrupo en particular, también conocido como efecto promedio condicional del tratamiento (conditional average treatment effect, CATE)
• Diferencias en el CATE: diferencias en el efecto promedio del tratamiento para un grupo en comparación con otro grupo.
• El ATE solo para las unidades tratadas, también conocido como efecto promedio del tratamiento en los tratados (average treatment effect on the treated, ATT)
• El ATE local (ATE Local, LATE). “Local” = aquellos cuyo estado de tratamiento cambiaría por el estímulo de un diseño de estímulo (también conocido como efecto causal promedio del cumplidor) o aquellos en el vecindario de una discontinuidad para un diseño de regresión discontinua.
• Analizaremos los estimandos en detalle en el módulo de estimaciones y estimadores.

• La aleatorización significa que cada observación tiene una probabilidad conocida de asignación a condiciones experimentales entre 0 y 1.
  • Ninguna unidad de la muestra experimental se asigna al tratamiento con total certeza (probabilidad = 1) o al control con total certeza (probabilidad = 0).
• Las probabilidad de asignación al tratamiento puede variar para cada unidad.
  • Por ejemplo, la probabilidad puede variar según el grupo: las mujeres pueden tener un 25% de probabilidad de ser asignadas al tratamiento, mientras que los hombres tienen una probabilidad diferente.
  • Incluso puede variar de una persona a otra, claro está que eso complicaría el análisis.

• Asignamos aleatoriamente algunas de nuestras unidades al tratamiento. Para estas unidades tratadas, medimos el resultado \(Y_i | T_i = 1\), que es lo mismo que \(Y_i(1)\) para estas unidades que asignamos al tratamiento.
• Debido a que estas unidades se asignaron al azar al tratamiento, estos \(Y_i = Y_i (1)\) para las unidades tratadas representan los \(Y_i(1)\) para todas nuestras unidades.
• En valor esperado (o en promedio a través de experimentos repetidos (escrito \(E_R[]\))):

\[E_R [\overline {Y_i} | T_i = 1] = \overline{Y_i (1)}\].

• \(\overline {Y} | T_i = 1\) es un estimador insesgado de la media poblacional de resultados potenciales bajo el tratamiento.
• La misma lógica se aplica a las unidades asignadas aleatoriamente al control:

\[E_R[\overline{Y_i}| T_i = 0] = \overline{Y_i (0)}\].

• Entonces podemos escribir el estimador para el ATE:

\[\hat{\overline{\tau_i}} = (\overline {Y_i(1)} | T_i = 1) - (\overline {Y_i (0)} | T_i = 0)\]

• En valor esperado, o en promedio en experimentos repetidos, \(\hat{\overline {\tau_i}}\) es igual al ATE:

\[E_R[Y_i | T_i = 1] - E_R [Y_i | T_i = 0] = \overline {Y_i (1)} - \overline{Y_i (0)}\].

• Entonces podemos tomar la diferencia de estos estimadores insesgados de \(\overline{Y_i (1)}\) y \(\overline{Y_i(0)}\) para obtener una estimación insesgada del ATE.

• La asignación al tratamiento no tiene ningún efecto sobre los resultados, excepto el que puede tener a través del tratamiento.
  • Es importante definir el tratamiento con precisión.
  • Es importante también mantener la simetría entre los grupos de tratamiento y control (por ejemplo, ocultando cuál fue la asignación al tratamiento, tener los mismos procedimientos de recopilación de datos para todos los sujetos del estudio, etc.), de modo que la asignación al tratamiento solo afecte el tratamiento recibido, no otras cosas como las interacciones con los investigadores que no deberían ser parte del tratamiento.

Discutir en grupos pequeños: Ayúdenme a diseñar el próximo proyecto para responder una de estas preguntas (o una de sus propias preguntas causales). Solamente planteen las características claves de dos diseños: uno observacional y el otro aleatorio.

Preguntas de investigación de ejemplo:

• ¿Aumentan la confianza y la coperación los proyectos de reconstrucción impulsados por la comunidad en Liberia? Ver: Informe 40 de políticas públicas de EGAP

• ¿Puede el monitoreo comunitario aumentar el uso de clínicas y disminuir la mortalidad infantil en Uganda? Puede ver: Informe 58 de políticas públicas de EGAP

• La aleatorización aporta una alta validez interna a un estudio: confianza en que hemos aprendido el efecto causal de un tratamiento en una variable de resultado.

• Pero el hallazgo de un estudio en particular en un lugar particular y en un momento particular puede no ser válido en otros entornos (es decir, validez externa).

• Esta es una preocupación general, no solo una preocupación para los estudios aleatorizados.

• La iniciativa Metaketa de EGAP’s trabaja para acumular conocimientos mediante la planificación previa de un metanálisis de múltiples estudios que tienen una alta validez interna debido a la aleatorización.